技术特征：
1.一种深度迁移学习方法，其特征在于，所述方法包括：从目标地址获取属于多个类别的源域图像，对所述源域图像进行标注，得到带有类别标签的源域数据集；将所述源域数据集划分为多个子源域数据集，利用每个所述子源域数据集训练得到对应的候选预训练模型；当属于目标类别的目标域图像输入时，对所述目标域图像进行标注，得到带有类别标签的目标域数据集，计算所述目标域数据集与每个所述子源域数据集之间的相似度；根据所述目标域数据集与每个所述子源域数据集之间的相似度，从所述候选预训练模型中选取出目标预训练模型；利用所述目标域数据集对所述目标预训练模型进行精调，得到所述目标域数据集的最佳分类模型。2.根据权利要求1所述的方法，其特征在于，所述计算所述目标域数据集与每个所述子源域数据集之间的相似度，包括：计算所述目标域数据集与每个所述子源域数据集之间的第一搬土距离；根据所述第一搬土距离，得到所述目标域数据集与每个所述子源域数据集之间的相似度。3.根据权利要求1所述的方法，其特征在于，所述根据所述目标域数据集与每个所述子源域数据集之间的相似度，从所述候选预训练模型中选取出目标预训练模型，包括：获取与所述目标域数据集之间的相似度大于或等于预设值的目标子源域数据集；将利用所述目标子源域数据集训练出的所述候选预训练模型确定为所述目标预训练模型。4.根据权利要求1-3任一项所述的方法，其特征在于，所述将所述源域数据集划分为多个子源域数据集，包括：计算所述源域数据集中任意两个数据之间的第二搬土距离；根据所述第二搬土距离，得到该任意两个数据之间的相似度；基于该任意两个数据之间的相似度，将所述源域数据集划分为多个所述子源域数据集。5.根据权利要求3所述的方法，其特征在于，所述利用每个所述子源域数据集训练得到对应的候选预训练模型，包括：将每个所述子源域数据集输入预设的神经网络进行训练，得到该每个所述子源域数据集对应的所述候选预训练模型；所述方法还包括：若所述目标域数据集与每个所述子源域数据集之间的相似度均小于所述预设值，则将所述目标域数据集输入所述神经网络进行训练，得到所述目标域数据集的最佳分类模型。6.一种深度迁移学习装置，其特征在于，所述装置包括：源域数据获取模块，用于从目标地址获取属于多个类别的源域图像，对所述源域图像进行标注，得到带有类别标签的源域数据集；第一模型获取模块，用于将所述源域数据集划分为多个子源域数据集，利用每个所述子源域数据集训练得到对应的候选预训练模型；
相似度计算模块，用于当属于目标类别的目标域图像输入时，对所述目标域图像进行标注，得到带有类别标签的目标域数据集，计算所述目标域数据集与每个所述子源域数据集之间的相似度；第二模型获取模块，用于根据所述目标域数据集与每个所述子源域数据集之间的相似度，从所述候选预训练模型中选取出目标预训练模型；模型精调模块，用于利用所述目标域数据集对所述目标预训练模型进行精调，得到所述目标域数据集的最佳分类模型。7.根据权利要求6所述的装置，其特征在于，在计算所述目标域数据集与每个所述子源域数据集之间的相似度方面，所述相似度计算模块具体用于：计算所述目标域数据集与每个所述子源域数据集之间的第一搬土距离；根据所述第一搬土距离，得到所述目标域数据集与每个所述子源域数据集之间的相似度。8.根据权利要求6所述的装置，其特征在于，在根据所述目标域数据集与每个所述子源域数据集之间的相似度，从所述候选预训练模型中选取出目标预训练模型方面，所述第二模型获取模块具体用于：获取与所述目标域数据集之间的相似度大于或等于预设值的目标子源域数据集；将利用所述目标子源域数据集训练出的所述候选预训练模型确定为所述目标预训练模型。9.一种电子设备，包括输入设备和输出设备，其特征在于，还包括：处理器，适于实现一条或多条指令；以及，计算机存储介质，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由所述处理器加载并执行如权利要求1-5任一项所述的方法。10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由处理器加载并执行如权利要求1-5任一项所述的方法。
技术总结
本申请提供了一种深度迁移学习方法、装置、电子设备及存储介质，该方法包括：获取带有类别标签的源域数据集，将所述源域数据集划分为多个子源域数据集，利用每个所述子源域数据集训练得到对应的候选预训练模型；获取带有类别标签的目标域数据集，计算所述目标域数据集与每个所述子源域数据集之间的相似度；根据所述目标域数据集与每个所述子源域数据集之间的相似度，从所述候选预训练模型中选取出目标预训练模型；利用所述目标域数据集对所述目标预训练模型进行精调，得到所述目标域数据集的最佳分类模型。本申请实施例有利于避免迁移学习过程中出现负迁移的状况，从而提高迁移学习的效果。的效果。的效果。
技术研发人员：汤前进 吕旭涛
受保护的技术使用者：深圳云天励飞技术有限公司
技术研发日：2020.02.18
技术公布日：2021/9/2